CN113920128A - 膝关节股骨胫骨分割方法和装置 - Google Patents
膝关节股骨胫骨分割方法和装置 Download PDFInfo
- Publication number
- CN113920128A CN113920128A CN202111023781.2A CN202111023781A CN113920128A CN 113920128 A CN113920128 A CN 113920128A CN 202111023781 A CN202111023781 A CN 202111023781A CN 113920128 A CN113920128 A CN 113920128A
- Authority
- CN
- China
- Prior art keywords
- image data
- segmentation
- knee joint
- bone
- medical image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 110
- 210000000629 knee joint Anatomy 0.000 title claims abstract description 100
- 210000002303 tibia Anatomy 0.000 title claims abstract description 82
- 210000000689 upper leg Anatomy 0.000 title claims abstract description 72
- 238000005260 corrosion Methods 0.000 claims abstract description 74
- 230000007797 corrosion Effects 0.000 claims abstract description 74
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 69
- 230000008569 process Effects 0.000 claims abstract description 63
- 238000004891 communication Methods 0.000 claims description 27
- 238000003709 image segmentation Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 230000003628 erosive effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 210000003127 knee Anatomy 0.000 claims description 5
- 230000008439 repair process Effects 0.000 claims description 5
- 230000008961 swelling Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 2
- 206010065687 Bone loss Diseases 0.000 description 9
- 210000001694 thigh bone Anatomy 0.000 description 9
- 238000005530 etching Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004417 patella Anatomy 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种膝关节股骨胫骨分割方法和装置。该方法包括：通过对获取得到的待处理医学图像数据进行分割后，获得膝关节的三维医学图像，通过对膝关节的三维医学图像进行腐蚀操作，获得膝关节股骨与胫骨分开的经腐蚀处理后的膝关节的三维医学图像，对经腐蚀处理得到的预分割结果图像数据进行修复操作，将在腐蚀过程中被腐蚀掉的骨质填补至对应的股骨或胫骨部分，获得完整的股骨和胫骨的分割结果，通过采用计算机视觉技术对医学图像数据进行处理，解决了现有技术中膝关节分割方法存在分割效果不稳定和速度较慢的问题，实现了分割效果稳定及分割速度较快的技术效果。
Description
技术领域
本申请涉及计算机视觉领域，具体而言，涉及一种膝关节股骨胫骨分割方法和装置。
背景技术
膝关节股骨和胫骨是整个膝关节最为重要的两大骨块，在膝关节手术中关节假体主要放置在股骨和胫骨上，准确快速的分割出股骨和胫骨是精准手术规划的前提，现有技术中通过深度学习的方法进行股骨和胫骨的分割，但是采用深度学习的方法存在训练过程繁琐、运行速度较慢，对一些复杂病例效果不稳定。
因此，现有的膝关节分割方法存在分割效果不稳定和速度较慢的问题。
发明内容
本申请的主要目的在于提供一种膝关节股骨胫骨分割方法和装置，已解决现有技术中的膝关节分割方法存在风格效果不稳定和速度较慢的问题。
为了实现上述目的，本申请提出了一种用于膝关节股骨胫骨分割的数据处理方法。
有鉴于此，根据本申请的第一方面，提出了一种膝关节股骨胫骨分割方法，包括：
获取待处理医学图像数据；
对所述医学图像数据进行图像分割，获得所述待处理医学图像中的膝关节的二维医学图像数据；
基于所述膝关节的二维医学图像数据，构建所述膝关节的三维医学图像数据；
对所述膝关节的三维医学图像数据进行腐蚀操作，获得预分割结果图像数据，其中，所述预分割结果图像数据中包括独立的预分割股骨图像数据和独立的预分割胫骨图像数据。
进一步地，对所述膝关节的三维医学图像数据进行腐蚀操作，获得预分割结果图像数据，包括：
对所述膝关节的三维医学图像数据进行腐蚀操作，获得腐蚀过程图像数据；
若所述腐蚀过程图像数据满足所述预设预分割条件，获得所述预分割结果图像数据，其中，所述预分割结果图像数据中包括独立的预分割股骨图像数据和预分割胫骨图像数据；
若所述腐蚀过程图像数据不满足所述预设预分割条件，对所述腐蚀过程图像数据进行腐蚀迭代操作，直至所述腐蚀过程图像数据满足所述预设预分割条件。
进一步地，若所述腐蚀过程图像数据满足所述预设预分割条件，获得所述预分割结果图像数据，包括：
对所述腐蚀过程图像数据进行识别，获得胫骨腐蚀过程图像数据和股骨腐蚀过程图像数据；
提取所述胫骨腐蚀过程图像数据和所述股骨腐蚀过程图像数据的最大连通区域；
若所述最大连通区域满足所述预设预分割条件，所述腐蚀过程图像数据满足所述预设预分割条件；
若所述最大连通区域不满足所述预设预分割条件，所述腐蚀过程图像数据不满足所述预设预分割条件。
进一步地，若所述最大连通区域满足所述预设预分割条件，所述腐蚀过程图像满足所述预设预分割条件，包括：
对所述最大连通区域进行识别，获得最大连通区域最高点和最大连通区域最低点，其中，所述最大连通区域最高点和所述最大连通区域最低点为预设方向上的最高点与最低点；
对所述腐蚀过程图像进行识别，获得骨骼最高点和骨骼最低点，其中，所述骨骼最高点为所述腐蚀过程图像股骨和胫骨中的最高点，所述骨骼最低点为所述腐蚀过程图像股骨和胫骨中的最低点；
若所述最大连通区域最高点不是所述骨骼最高点，或者所述最大连通区域最低点不是所述骨骼最低点，所述最大连通区域满足所述预设预分割条件；
若所述最大连通区域最高点为所述骨骼最高点，最大连通区域最低点为所述骨骼最低点，所述最大连通区域不满足所述预设预分割条件。
进一步地，在对所述膝关节的三维医学图像进行腐蚀操作，获得预分割结果图像之后，还包括：
对所述预分割结果图像数据进行骨质修复操作，获得目标分割图像数据，包括：
将所述预分割结果图像数据与所述膝关节的三维医学图像数据进行比较，获得损失骨质数据，其中，所述损失骨质数据为被腐蚀掉的骨质的数据；
对所述损失骨质数据进行膨胀处理，获得膨胀骨质数据；
计算所述膨胀骨质数据与所述预分割结果图像数据的交叠面积；
基于骨质分配规则，对所述交叠面积进行计算，根据计算结果对所述预分割结果图像数据进行骨质填补处理，获得所述目标分割图像数据。
进一步地，基于骨质分配规则，对所述交叠面积进行计算，根据计算结果对所述预分割结果图像数据进行骨质填补处理，获得目标分割图像数据，包括：
对所述预分割结果图像数据进行识别，获得预分割股骨图像数据和预分割胫骨图像数据；
计算所述膨胀骨质数据与所述预分割股骨图像数据的交叠面积，获得第一交叠面积；
计算所述膨胀骨质数据与所述预分割胫骨图像数据的交叠面积，获得第二交叠面积；
比较所述第一交叠面积与所述第二交叠面积的大小；
若所述第一交叠面积大于所述第二交叠面积，将所述损失骨质数据填补至所述预分割股骨图像数据，获得所述目标分割图像数据；
若所述第二交叠面积大于所述第一交叠面积，将所述损失骨质数据填补至所述预分割胫骨图像数据，获得所述目标分割图像数据。
进一步地，对所述待处理医学图像数据进行图像分割，获得所述待处理医学图像中的膝关节的二维医学图像数据，包括：
基于预设图像分割模型，对所述待处理医学图像数据进行图像分割处理，获得所述待处理医学图像中的膝关节的二维医学图像数据；
所述预设图像分割模型是基于图像数据集训练获得的，所述图像数据集中包含已标记的正样本图像数据及未标记的负样本图像数据，所述正样本图像数据中包括用于表征目标区域的标记。
根据本申请的第二方面，提出了一种膝关节股骨胫骨分割装置，包括：
获取模块，用于获取待处理医学图像数据；
图像分割模块，用于对所述医学图像数据进行图像分割，获得所述待处理医学图像中的膝关节的二维医学图像数据；
构建模块，基于所述膝关节的二维医学图像数据，构建所述膝关节的三维医学图像数据；
腐蚀模块，对所述膝关节的三维医学图像数据进行腐蚀操作，获得预分割结果图像数据，其中，所述预分割结果图像数据中包括独立的预分割股骨图像数据和独立的预分割胫骨图像数据。
根据本申请的第三方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述的膝关节股骨胫骨分割方法。
根据本申请的第四方面，提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述的膝关节股骨胫骨分割方法。
本申请的实施例提供的技术方案可以包括以下有益效果：
在本申请中，通过对获取得到的待处理医学图像数据进行分割后，获得膝关节的三维医学图像，通过对膝关节的三维医学图像进行腐蚀操作，获得膝关节股骨与胫骨分开的经腐蚀处理后的膝关节的三维医学图像，对经腐蚀处理得到的预分割结果图像数据进行修复操作，将在腐蚀过程中被腐蚀掉的骨质填补至对应的股骨或胫骨部分，获得完整的股骨和胫骨的分割结果，通过采用计算机视觉对医学图像数据进行处理，解决了现有技术中膝关节分割方法存在分割效果不稳定和速度较慢的问题，实现了分割效果稳定及分割速度较快的技术效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请提供的一种膝关节股骨胫骨分割方法的流程示意图；
图2为本申请提供的一种膝关节股骨胫骨分割方法的流程示意图；
图3为本申请中股骨胫骨未分开与股骨胫骨已分开的示例图像；
图4为本申请提供的一种膝关节股骨胫骨分割方法的流程示意图；
图5为本申请提供的一种膝关节股骨胫骨分割装置的结构示意图；
图6本申请提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，“连接”可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
膝关节由股骨下端、胫骨上端和髌骨构成，是人体最大最复杂的关节，膝关节股骨和胫骨是整个膝关节最为重要的两大骨块，在膝关节手术中关节假体主要放置在股骨和胫骨上，如何能够快速准确地分隔开膝关节中的股骨和胫骨，是精准手术规划的前提。
图1为本申请提供的一种膝关节股骨胫骨分割方法的流程示意图，如图1所示，该方法包括以下步骤：
S101：获取待处理医学图像数据；
待处理医学图像数据可以通过专业的医疗图像采集设备，例如可以是X射线投影设备，CT投影设备等采集的图像数据。
S102：对医学图像数据进行图像分割，获得待处理医学图像中的膝关节的二维医学图像数据；
基于预设图像分割模型，对待处理医学图像数据进行图像分割处理，获得待处理医学图像中的膝关节的二维医学图像数据，其中，待处理医学图像中的膝关节的二维医学图像数据为包含膝关节区域的图像分割结果，对医学图像数据进行图像分割，以便能够实现快速、精确地识别并获得包含膝关节的骨骼组织，获得待处理医学图像中的膝关节的二维医学图像数据；通过图像分割，实现将待处理医学图像数据中的骨质结构和背景软组织进行分离，获得膝关节骨质图像数据。
预设图像分割模型是基于图像数据集训练获得的，所述图像数据集中包含已标记的正样本图像数据及未标记的负样本图像数据，所述正样本图像数据中包括用于表征目标区域的标记。通过对图像数据集中的训练图像数据进行标注，标记膝关节骨质区域，通过反复学习、训练等过程，以实现对医学图像数据的快速分割。
本申请中可以采用阈值分割或者分割神经网络模型对医学图像进行图像分割，获得骨质与背景软组织结构，将骨质单独分离，获得关节骨质图像数据。
采用阈值分割对医学图像进行处理，对医学图像数据进行阈值化处理，根据预设的特征阈值，将图像像素点分为若干类，获得关节骨质图像数据；
采用分割神经网络模型，建立分割神经网络模型pointrend+unet：首先利用unet网络作为主干网络，对其进行粗分割，第一阶段使用4次下采样学习图像的深层特征，然后进行4次上采样以将特征图重新存储到图像中，其中每个下采样层中包括2个卷积层和1个池化层，卷积核大小为3*3，池化层中的卷积核大小为2*2，每个卷积层中的卷积核的个数为128，256，512；每个上采样层中包括1个上采样层和2个卷积层，其中卷积层的卷积核大小为3*2，上采样层中的卷积核大小为2*2，每个上采样层中的卷积核个数为512，256，128。最后一次上采样结束后设有一个的dropout层，droupout率设置为0.7。所有的卷积层后面都设有激活函数为relu函数。
然后使用pointrend精确分割结果，选择一组置信度为0.5的一组点，提取被选择出来的点的特征，这些点的特征通过双线性插值Bilinear计算，使用一个小型的分类器去判断这个点属于哪个类别。这其实是等价于用一个1*1的卷积来预测，但是对于置信度接近于1或者0的点并不计算。从而提高分割的精准度。
模型训练过程中，数据标签的背景像素值设置为0，股骨为1，胫骨为2，训练的batch_size为6，学习率设置为1e-4，优化器使用Adam优化器，使用的损失函数为DICEloss，将训练集全部送入网络进行训练，根据训练过程中损失函数的变化，调整训练批次的大小，最终得到各个部分的粗分割结果。进入pointrend模块后，先会使用双线性插值上采样前一步分割预测结果，然后在这个更密集的特征图中选择N个最不确定的点，比如概率接近0.5的点。然后计算这N个点的特征表示并且预测它们的labels，这个过程一直被重复，直到上采样到需要的大小。对于每个选定点的逐点特征表示，使用简单的多层感知器进行逐点预测，因为MLP预测的是各点的分割label，所以可以使用Unet粗分割任务中的loss来训练。训练后输出就是股骨、胫骨区域。
S103：基于膝关节的二维医学图像数据，构建膝关节的三维医学图像数据；
通过三维重建技术，对膝关节的二维医学图像数据进行三维重建处理，以获得膝关节的三维医学图像数据。
可选地，将待三维重建的膝关节的二维医学图像数据输入至预先训练好的三维重建神经网络，以获得三维重建神经网络输出的与待三维重建的膝关节的二维医学图像数据相对应的三维医学图像数据。
S104：对膝关节的三维医学图像数据进行腐蚀操作，获得预分割结果图像数据，其中，预分割结果图像数据中包括独立的预分割股骨图像数据和独立的预分割胫骨图像数据；
图2为本申请提供的一种用于膝关节股骨胫骨分割的数据处理方法的流程示意图，如图2所示，该方法包括以下步骤：
S201：对膝关节的三维医学图像数据进行腐蚀操作，获得腐蚀过程图像数据；
腐蚀操作是一种计算机视觉技术，膝关节三维医学图像数据中骨质位置的像素为1，背景图像的像素为0，经腐蚀处理后，将骨质位置表面的像素一层一层的变为0，如
经腐蚀操作后，获得
S202：判断腐蚀过程图像数据是否满足预设预分割条件；
对腐蚀过程图像数据进行识别，获得胫骨腐蚀过程图像数据和股骨腐蚀过程图像数据；
提取胫骨腐蚀过程图像数据和所述股骨腐蚀过程图像数据的最大连通区域；
基于预设预分割条件，对最大连通区域进行判断；
若最大连通区域满足预设预分割条件，所述腐蚀图像中股骨与胫骨分开，获得独立的预分割股骨图像数据和预分割胫骨图像数据；
若最大连通区域不满足预设预分割条件，所述腐蚀图像中股骨与胫骨未分开，无法获得独立预分割股骨图像数据和预分割胫骨图像数据。
对最大连通区域进行识别，获得最大连通区域最高点和最大连通区域最低点，最大连通区域最高点和最大连通区域最低点为预设方向上的最高点与最低点；预设方向为当膝关节胫骨股骨处于直线状态时，其中直线的方向。
对腐蚀过程图像数据进行识别，获得骨骼最高点和骨骼最低点，其中，骨骼最高点为腐蚀过程图像数据中股骨和胫骨中的最高点，骨骼最低点为腐蚀过程图像数据中股骨和胫骨中的最低点；
如图3中所示，股骨胫骨未分开与股骨胫骨已分开的图像示例。
若最大连通区域最高点不是骨骼最高点，或者最大连通区域最低点不是所述骨骼最低点，腐蚀图像中股骨与胫骨分开；
若最大连通区域最高点为骨骼最高点，最大连通区域最低点为骨骼最低点，腐蚀图像中股骨与胫骨未分开。
S203：获得预分割结果图像数据。
若腐蚀过程图像数据满足预设分开条件，获得预分割结果图像数据，其中，预分割结果图像数据为股骨与胫骨分开的腐蚀过程图像数据；
若腐蚀过程图像数据不满足预设分开条件，对腐蚀过程图像数据进行腐蚀迭代操作，直至腐蚀过程图像数据满足预设分开条件。
在进行腐蚀操作后，还包括：
对预分割结果图像数据进行骨质修复操作，获得目标分割图像数据。
图4为本申请提供的一种膝关节股骨胫骨分割方法的流程示意图，如图4所示，该方法包括以下步骤
S401：将预分割结果图像数据与膝关节三维医学图像数据进行比较，获得损失骨质数据；
其中，损失骨质数据为被腐蚀掉的骨质的数据；将所有腐蚀掉的骨质计算连通区域，得到独立的骨质数据，即为损失骨质数据。
S402：对损失骨质数据进行膨胀处理，获得膨胀骨质数据；
对损失骨质数据进行膨胀处理，在损失骨质的图像的边缘添加像素值，将损失骨质的图像的像素值扩张，获得膨胀骨质数据。
S403：计算膨胀骨质数据与预分割结果图像数据的交叠面积；
对预分割结果图像数据进行识别，获得预分割股骨图像数据和预分割胫骨图像数据；
计算膨胀骨质数据与预分割股骨图像数据的交叠面积，获得第一交叠面积；
计算膨胀骨质数据与预分割胫骨图像数据的交叠面积，获得第二交叠面积；
S404：根据交叠面积对预分割结果图像数据进行骨质填补处理，获得目标分割图像数据。
比较第一交叠面积与第二交叠面积的大小；
若第一交叠面积大于第二交叠面积，将损失骨质数据填补至预分割结果股骨数据，获得所述目标分割图像数据；
若第二交叠面积大于第一交叠面积，将损失骨质数据填补至腐蚀结果胫骨数据，获得目标分割图像数据。
举例说明如，若经腐蚀操作后的股骨与膨胀后的损失骨质的交叠面积大于经腐蚀操作后的胫骨与膨胀后的损失骨质的交叠面积，则损失骨质原属于股骨部分，将损失骨质填补至经腐蚀操作后的股骨上，获得目标分割图像数据，获得的目标分割图像数据包括损失骨质填补后的股骨图像数据和预分割胫骨图像数据。在腐蚀操作的过程中，胫骨股骨有很多骨质被腐蚀掉，通过修复操作后，将被腐蚀掉的骨质填补到已分开的股骨胫骨上，获得完整的股骨胫骨分割结果，提高膝关节股骨胫骨风格的准确率。
图5为本申请提供的一种膝关节股骨胫骨分割装置的结构示意图，如图5所示，该装置包括：
获取模块51，用于获取待处理医学图像数据；
图像分割模块52，用于对医学图像数据进行图像分割，获得待处理医学图像中的膝关节的二维医学图像数据；
构建模块53，基于膝关节的二维医学图像数据，构建膝关节的三维医学图像数据；
腐蚀模块54，对所述膝关节的三维医学图像数据进行腐蚀操作，获得预分割结果图像数据，其中，所述预分割结果图像数据中包括独立的预分割股骨图像数据和独立的预分割胫骨图像数据；
本申请提供的一种膝关节股骨胫骨分割装置，还包括：
修复模块，用于对预分割结果图像数据进行骨质修复操作，获得目标分割图像数据。
关于上述实施例中各单元的执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
综上所述，在本申请中，通过对获取得到的待处理医学图像数据进行分割后，获得膝关节的三维医学图像，通过对膝关节的三维医学图像进行腐蚀操作，获得膝关节股骨与胫骨分开的经腐蚀处理后的膝关节的三维医学图像，对经腐蚀处理得到的预分割结果图像数据进行修复操作，将在腐蚀过程中被腐蚀掉的骨质填补至对应的股骨或胫骨部分，获得完整的股骨和胫骨的分割结果，通过采用计算机视觉对医学图像数据进行处理，解决了现有技术中膝关节分割方法存在分割效果不稳定和速度较慢的问题，实现了分割效果稳定及分割速度较快的技术效果。
本发明实施例还提供了一种电子设备，如图6所示，该电子设备包括一个或多个处理器61以及存储器62，图6中以一个处理器61为例。
该控制器还可以包括：输入装置63和输出装置64。
处理器61、存储器62、输入装置63和输出装置64可以通过总线或者其他方式连接，图6中以通过总线连接为例。
处理器61可以为中央处理器(Central Processing Unit，简称为CPU)，处理器61还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，简称为DSP)、专用集成电路(Application Specific Integrated Circuit，简称为ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称为FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合，通用处理器可以是微处理器或者任何常规的处理器。
存储器62作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的控制方法对应的程序指令/模块。处理器61通过运行存储在存储器62中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现用于大额风险评估的数据处理方法。
存储器62可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器62可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器62可选包括相对于处理器61远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置63可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置64可包括显示屏等显示设备。
一个或者多个模块存储在存储器62中，当被一个或者多个处理器61执行时，执行如图1所示的方法。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各电机控制方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，简称为ROM)、随机存储记忆体(Random AccessMemory，简称为RAM)、快闪存储器(Flash Memory，简称为FM)、硬盘(Hard Disk Drive，简称为HDD)或固态硬盘(Solid-State Drive，简称为SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种膝关节股骨胫骨分割方法，其特征在于，包括：
获取待处理医学图像数据；
对所述医学图像数据进行图像分割，获得所述待处理医学图像中的膝关节的二维医学图像数据；
基于所述膝关节的二维医学图像数据，构建所述膝关节的三维医学图像数据；
对所述膝关节的三维医学图像数据进行腐蚀操作，获得预分割结果图像数据，其中，所述预分割结果图像数据中包括独立的预分割股骨图像数据和独立的预分割胫骨图像数据。
2.根据权利要求1所述的方法，其特征在于，对所述膝关节的三维医学图像数据进行腐蚀操作，获得预分割结果图像数据，包括：
对所述膝关节的三维医学图像数据进行腐蚀操作，获得腐蚀过程图像数据；
若所述腐蚀过程图像数据满足所述预设预分割条件，获得所述预分割结果图像数据，其中，所述预分割结果图像数据中包括独立的预分割股骨图像数据和预分割胫骨图像数据；
若所述腐蚀过程图像数据不满足所述预设预分割条件，对所述腐蚀过程图像数据进行腐蚀迭代操作，直至所述腐蚀过程图像数据满足所述预设预分割条件。
3.根据权利要求2所述的方法，其特征在于，若所述腐蚀过程图像数据满足所述预设预分割条件，获得所述预分割结果图像数据，包括：
对所述腐蚀过程图像数据进行识别，获得胫骨腐蚀过程图像数据和股骨腐蚀过程图像数据；
提取所述胫骨腐蚀过程图像数据和所述股骨腐蚀过程图像数据的最大连通区域；
若所述最大连通区域满足所述预设预分割条件，所述腐蚀过程图像数据满足所述预设预分割条件；
若所述最大连通区域不满足所述预设预分割条件，所述腐蚀过程图像数据不满足所述预设预分割条件。
4.根据权利要求3所述的方法，其特征在于，若所述最大连通区域满足所述预设预分割条件，所述腐蚀过程图像满足所述预设预分割条件，包括：
对所述最大连通区域进行识别，获得最大连通区域最高点和最大连通区域最低点，其中，所述最大连通区域最高点和所述最大连通区域最低点为预设方向上的最高点与最低点；
对所述腐蚀过程图像进行识别，获得骨骼最高点和骨骼最低点，其中，所述骨骼最高点为所述腐蚀过程图像股骨和胫骨中的最高点，所述骨骼最低点为所述腐蚀过程图像股骨和胫骨中的最低点；
若所述最大连通区域最高点不是所述骨骼最高点，或者所述最大连通区域最低点不是所述骨骼最低点，所述最大连通区域满足所述预设预分割条件；
若所述最大连通区域最高点为所述骨骼最高点，最大连通区域最低点为所述骨骼最低点，所述最大连通区域不满足所述预设预分割条件。
5.根据权利要求1所述的方法，其特征在于，在对所述膝关节的三维医学图像进行腐蚀操作，获得预分割结果图像之后，还包括：
对所述预分割结果图像数据进行骨质修复操作，获得目标分割图像数据，包括：
将所述预分割结果图像数据与所述膝关节的三维医学图像数据进行比较，获得损失骨质数据，其中，所述损失骨质数据为被腐蚀掉的骨质的数据；
对所述损失骨质数据进行膨胀处理，获得膨胀骨质数据；
计算所述膨胀骨质数据与所述预分割结果图像数据的交叠面积；
基于骨质分配规则，对所述交叠面积进行计算，根据计算结果对所述预分割结果图像数据进行骨质填补处理，获得所述目标分割图像数据。
6.根据权利要求5所述的方法，其特征在于，基于骨质分配规则，对所述交叠面积进行计算，根据计算结果对所述预分割结果图像数据进行骨质填补处理，获得目标分割图像数据，包括：
对所述预分割结果图像数据进行识别，获得预分割股骨图像数据和预分割胫骨图像数据；
计算所述膨胀骨质数据与所述预分割股骨图像数据的交叠面积，获得第一交叠面积；
计算所述膨胀骨质数据与所述预分割胫骨图像数据的交叠面积，获得第二交叠面积；
比较所述第一交叠面积与所述第二交叠面积的大小；
若所述第一交叠面积大于所述第二交叠面积，将所述损失骨质数据填补至所述预分割股骨图像数据，获得所述目标分割图像数据；
若所述第二交叠面积大于所述第一交叠面积，将所述损失骨质数据填补至所述预分割胫骨图像数据，获得所述目标分割图像数据。
7.根据权利要求1所述的方法，其特征在于，对所述待处理医学图像数据进行图像分割，获得所述待处理医学图像中的膝关节的二维医学图像数据，包括：
基于预设图像分割模型，对所述待处理医学图像数据进行图像分割处理，获得所述待处理医学图像中的膝关节的二维医学图像数据；
所述预设图像分割模型是基于图像数据集训练获得的，所述图像数据集中包含已标记的正样本图像数据及未标记的负样本图像数据，所述正样本图像数据中包括用于表征目标区域的标记。
8.一种膝关节股骨胫骨分割装置，其特征在于，包括：
获取模块，用于获取待处理医学图像数据；
图像分割模块，用于对所述医学图像数据进行图像分割，获得所述待处理医学图像中的膝关节的二维医学图像数据；
构建模块，基于所述膝关节的二维医学图像数据，构建所述膝关节的三维医学图像数据；
腐蚀模块，对所述膝关节的三维医学图像数据进行腐蚀操作，获得预分割结果图像数据，其中，所述预分割结果图像数据中包括独立的预分割股骨图像数据和独立的预分割胫骨图像数据。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1至7中任意一项所述的膝关节股骨胫骨分割方法。
10.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1至7任意一项所述的膝关节股骨胫骨分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111023781.2A CN113920128B (zh) | 2021-09-01 | 2021-09-01 | 膝关节股骨胫骨分割方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111023781.2A CN113920128B (zh) | 2021-09-01 | 2021-09-01 | 膝关节股骨胫骨分割方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113920128A true CN113920128A (zh) | 2022-01-11 |
| CN113920128B CN113920128B (zh) | 2023-02-21 |
Family
ID=79233792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111023781.2A Active CN113920128B (zh) | 2021-09-01 | 2021-09-01 | 膝关节股骨胫骨分割方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113920128B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116309636A (zh) * | 2023-02-21 | 2023-06-23 | 北京长木谷医疗科技有限公司 | 基于多任务神经网络模型的膝关节分割方法、装置及设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004081871A1 (en) * | 2003-03-12 | 2004-09-23 | Siemens Corporate Research Inc. | Image segmentation in a three-dimensional environment |
| US20170084026A1 (en) * | 2015-09-21 | 2017-03-23 | Korea Institute Of Science And Technology | Method for forming 3d maxillofacial model by automatically segmenting medical image, automatic image segmentation and model formation server performing the same, and storage medium storing the same |
| CN108764241A (zh) * | 2018-04-20 | 2018-11-06 | 平安科技（深圳）有限公司 | 分割股骨近端的方法、装置、计算机设备和存储介质 |
| CN108898606A (zh) * | 2018-06-20 | 2018-11-27 | 中南民族大学 | 医学图像的自动分割方法、***、设备及存储介质 |
| CN110544245A (zh) * | 2019-08-30 | 2019-12-06 | 北京推想科技有限公司 | 图像处理方法、装置、计算机可读存储介质及电子设备 |
| CN110689551A (zh) * | 2019-10-14 | 2020-01-14 | 慧影医疗科技（北京）有限公司 | 四肢骨分割方法、装置、电子设备及可读存储介质 |
| CN112017189A (zh) * | 2020-10-26 | 2020-12-01 | 腾讯科技（深圳）有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
| CN112435263A (zh) * | 2020-10-30 | 2021-03-02 | 苏州瑞派宁科技有限公司 | 医学图像分割方法、装置、设备、***及计算机存储介质 |
| CN112489005A (zh) * | 2020-11-26 | 2021-03-12 | 推想医疗科技股份有限公司 | 骨分割方法及装置、骨折检出方法及装置 |
| CN112508888A (zh) * | 2020-11-26 | 2021-03-16 | 中国科学院苏州生物医学工程技术研究所 | 面向医学影像的脑动脉快速自动分割方法及*** |
-
2021
- 2021-09-01 CN CN202111023781.2A patent/CN113920128B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004081871A1 (en) * | 2003-03-12 | 2004-09-23 | Siemens Corporate Research Inc. | Image segmentation in a three-dimensional environment |
| US20170084026A1 (en) * | 2015-09-21 | 2017-03-23 | Korea Institute Of Science And Technology | Method for forming 3d maxillofacial model by automatically segmenting medical image, automatic image segmentation and model formation server performing the same, and storage medium storing the same |
| CN108764241A (zh) * | 2018-04-20 | 2018-11-06 | 平安科技（深圳）有限公司 | 分割股骨近端的方法、装置、计算机设备和存储介质 |
| CN108898606A (zh) * | 2018-06-20 | 2018-11-27 | 中南民族大学 | 医学图像的自动分割方法、***、设备及存储介质 |
| CN110544245A (zh) * | 2019-08-30 | 2019-12-06 | 北京推想科技有限公司 | 图像处理方法、装置、计算机可读存储介质及电子设备 |
| CN110689551A (zh) * | 2019-10-14 | 2020-01-14 | 慧影医疗科技（北京）有限公司 | 四肢骨分割方法、装置、电子设备及可读存储介质 |
| CN112017189A (zh) * | 2020-10-26 | 2020-12-01 | 腾讯科技（深圳）有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
| CN112435263A (zh) * | 2020-10-30 | 2021-03-02 | 苏州瑞派宁科技有限公司 | 医学图像分割方法、装置、设备、***及计算机存储介质 |
| CN112489005A (zh) * | 2020-11-26 | 2021-03-12 | 推想医疗科技股份有限公司 | 骨分割方法及装置、骨折检出方法及装置 |
| CN112508888A (zh) * | 2020-11-26 | 2021-03-16 | 中国科学院苏州生物医学工程技术研究所 | 面向医学影像的脑动脉快速自动分割方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| SHUMAO PANG ET AL: "SpineParseNet: Spine Parsing for Volumetric MR Image by a Two-Stage Segmentation Framework With Semantic Image Representation", 《 IEEE TRANSACTIONS ON MEDICAL IMAGING 》 * |
| 肖悍: "三维CT图像中肩关节分割算法设计与实现", 《中国优秀硕士学位论文全文数据库（电子期刊）》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116309636A (zh) * | 2023-02-21 | 2023-06-23 | 北京长木谷医疗科技有限公司 | 基于多任务神经网络模型的膝关节分割方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113920128B (zh) | 2023-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3961500A1 (en) | Medical image detection method based on deep learning, and related device | |
| CN109741309B (zh) | 一种基于深度回归网络的骨龄预测方法及装置 | |
| CN112950651B (zh) | 基于深度学习网络的纵隔淋巴引流区的自动勾画方法 | |
| CN113689402B (zh) | 基于深度学习的股骨髓腔形态识别方法、装置及存储介质 | |
| CN108205806B (zh) | 一种锥束ct图像三维颅面结构的自动解析方法 | |
| EP3111422B1 (en) | System and method for auto-contouring in adaptive radiotherapy | |
| CN113076987B (zh) | 骨赘识别方法、装置、电子设备及存储介质 | |
| CN108053417A (zh) | 一种基于混合粗分割特征的3DU-Net网络的肺分割装置 | |
| CN102831614B (zh) | 基于交互式字典迁移的序列医学图像快速分割方法 | |
| CN110310280B (zh) | 肝胆管及结石的图像识别方法、***、设备及存储介质 | |
| CN112233777A (zh) | 基于深度学习的胆结石自动识别及分割***、计算机设备、存储介质 | |
| CN110689551B (zh) | 四肢骨分割方法、装置、电子设备及可读存储介质 | |
| US20240203108A1 (en) | Decoupling divide-and-conquer facial nerve segmentation method and device | |
| CN111402216B (zh) | 基于深度学习的三维碎骨分割方法和装置 | |
| CN113012155A (zh) | 髋关节图像中骨骼分割方法、电子设备及存储介质 | |
| CN114998301B (zh) | 一种椎体亚区域分割方法、装置及存储介质 | |
| CN113744214B (zh) | 基于深度强化学习的股骨柄放置装置及电子设备 | |
| CN111724389B (zh) | 髋关节ct图像分割方法、装置、存储介质和计算机设备 | |
| CN113920128B (zh) | 膝关节股骨胫骨分割方法和装置 | |
| CN110992370A (zh) | 一种胰腺组织的分割方法、装置及终端设备 | |
| CN114037663A (zh) | 一种血管分割方法、装置及计算机可读介质 | |
| CN113241155A (zh) | 一种头颅侧位片中标志点的获取方法及*** | |
| CN113077418A (zh) | 基于卷积神经网络的ct影像骨骼分割方法及装置 | |
| CN117115184A (zh) | 一种医疗图像分割模型的训练方法、分割方法及相关产品 | |
| CN114049358A (zh) | 肋骨实例分割、计数与定位的方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100176 2201, 22 / F, building 1, yard 2, Ronghua South Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Patentee after: Beijing Changmugu Medical Technology Co.,Ltd. Patentee after: Zhang Yiling Address before: 100176 2201, 22 / F, building 1, yard 2, Ronghua South Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Patentee before: BEIJING CHANGMUGU MEDICAL TECHNOLOGY Co.,Ltd. Patentee before: Zhang Yiling |